WO2023238525A1 - 試作条件提案システム、試作条件提案方法 - Google Patents

試作条件提案システム、試作条件提案方法 Download PDF

Info

Publication number
WO2023238525A1
WO2023238525A1 PCT/JP2023/016025 JP2023016025W WO2023238525A1 WO 2023238525 A1 WO2023238525 A1 WO 2023238525A1 JP 2023016025 W JP2023016025 W JP 2023016025W WO 2023238525 A1 WO2023238525 A1 WO 2023238525A1
Authority
WO
WIPO (PCT)
Prior art keywords
evaluation data
characteristic evaluation
prototype
regression model
condition proposal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2023/016025
Other languages
English (en)
French (fr)
Inventor
岡 柚希 橋本
福永 樋口
真吾 惣川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NGK Insulators Ltd
Original Assignee
NGK Insulators Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NGK Insulators Ltd filed Critical NGK Insulators Ltd
Priority to CN202380012293.2A priority Critical patent/CN117597741A/zh
Priority to DE112023000100.6T priority patent/DE112023000100T5/de
Priority to JP2023565339A priority patent/JP7895364B2/ja
Priority to US18/539,491 priority patent/US20240111931A1/en
Publication of WO2023238525A1 publication Critical patent/WO2023238525A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a system and method for proposing material prototype conditions to material developers.
  • Patent Document 1 describes a method for estimating production conditions for a substance having optimal physical properties and structure from a data set that includes production conditions for each of a plurality of substances used as samples and substance information representing the physical properties and structure of each substance. system is disclosed.
  • characteristic evaluation data data representing the results of these evaluation tests
  • the computer executes a process of estimating the manufacturing conditions under which the material has good properties.
  • characteristic evaluation data is in the state of so-called raw data immediately after the results of the evaluation test are recorded, there are many cases in which the distribution of the data is uneven and the scale of the feature amount is irregular.
  • explanatory variables included in the characteristic evaluation data of the state of raw data and purpose It is necessary to carry out a process (hereinafter referred to as “preprocessing") to adjust the variables appropriately.
  • an object of the present invention is to provide a technology that can automatically perform preprocessing of property evaluation data when prototyping conditions for a material are proposed based on the property evaluation data. .
  • the prototyping condition proposal system proposes prototyping conditions for materials to material developers, and includes a characteristic evaluation data preprocessing section, a feature value selection processing section, a regression model creation processing section, and a prototyping condition proposal system. and a processing section.
  • the characteristic evaluation data preprocessing section performs preprocessing on the characteristic evaluation data representing the evaluation results of the characteristics of the material.
  • the feature selection processing unit executes feature selection processing on the preprocessed characteristic evaluation data.
  • the regression model creation processing unit executes regression model creation processing on the preprocessed characteristic evaluation data based on the results of the feature value selection processing.
  • the prototype condition proposal processing section executes a prototype condition proposal process on the preprocessed characteristic evaluation data based on the regression model created by the regression model creation processing section.
  • the prototyping condition proposal method is a method for proposing material prototyping conditions to material developers, and includes preprocessing of property evaluation data representing evaluation results of material properties, and preprocessing of property evaluation data.
  • a regression model creation process is performed on the characteristic evaluation data that has been preprocessed based on the results of the feature selection process, and a regression model creation process is performed on the characteristic evaluation data that has been preprocessed.
  • the computer executes the prototyping condition proposal process based on the regression model created in .
  • preprocessing of the property evaluation data can be automatically performed.
  • FIG. 1 is a schematic diagram showing an overview of a prototype condition proposal system according to an embodiment of the present invention.
  • FIG. 1 is a diagram showing functional blocks of a prototype condition proposal system according to an embodiment of the present invention.
  • 1 is a flowchart showing the overall process flow of the prototype condition proposal system according to an embodiment of the present invention.
  • 5 is a flowchart showing details of characteristic evaluation data preprocessing. The figure which shows the outline of Box-Cox conversion processing.
  • a diagram showing an overview of standardization processing. 5 is a flowchart showing details of feature amount selection processing.
  • Flowchart showing details of regression model creation processing. 5 is a flowchart showing details of prototyping condition proposal processing.
  • FIG. 1 is a schematic diagram showing an overview of a prototype condition proposal system according to an embodiment of the present invention.
  • the prototyping condition proposal system 1 shown in Figure 1 optimizes various prototyping conditions that should be considered when prototyping a material, such as material composition and firing conditions, and provides the results to the material developer who is the user of this system. This is what we propose. Optimization of the prototype conditions is performed using various machine learning algorithms based on property evaluation data representing the evaluation results of the properties of the material.
  • the prediction model includes, for example, Gaussian Process Regression (GPR), linear regression (Linear Regression), regression tree (including cases using ensemble methods), and neural network regression (Neural Network Regression).
  • GPR Gaussian Process Regression
  • Linear Regression Linear Regression
  • regression tree including cases using ensemble methods
  • neural network regression Neural Network Regression
  • Various regression models are used, such as Support Vector Regression (SVR), Logistic Regression, and LASSO regression (Least Absolute Shrinkage and Selection Operator Regression).
  • the prototyping condition proposing system 1 when the user of the prototyping condition proposing system 1 makes a prototype of a material under the prototyping conditions proposed by the prototyping condition proposing system 1 and evaluates the characteristics of the resulting material. New data representing the evaluation value of the characteristics of the deliverable is generated. When the prototype condition proposal system 1 is made to learn this data as new characteristic evaluation data, the prototype condition proposal system 1 proposes more optimized prototype conditions to the user. The prototype condition proposal system 1 of this embodiment can propose prototype conditions with more favorable predicted values of characteristics each time the user repeats this cycle. Note that the prototyping condition proposal system may include a function of prototyping a material and a function of evaluating characteristics of a material to be prototyped, or may be configured integrally with these functions.
  • the prototype condition proposal system 1 of this embodiment is realized by one general-purpose computer device, as shown in FIG.
  • the prototype condition proposal system 1 includes one or more processor devices, one or more storage devices, one or more input/output devices, and wired or wireless communication lines (all not shown) that connect them. ) is realized by a single general-purpose computer device.
  • This computer device is installed, for example, as a terminal inside a laboratory, and can be connected to various other terminals installed inside and outside the laboratory, as well as various terminals such as laptops, tablets, and smartphones owned by each user (hereinafter referred to as , referred to as a "user terminal"), and other devices such as a server device via a communication network such as the Internet 400 or a dedicated line.
  • a communication network such as the Internet 400 or a dedicated line.
  • the computer device and the Internet 400 are connected by wire through a well-known communication device (not shown), but they may be connected wirelessly.
  • FIG. 2 is a diagram showing functional blocks of a prototype condition proposal system according to an embodiment of the present invention. Note that each block described below indicates a functional unit block rather than a hardware unit configuration.
  • the prototype condition proposal system 1 of this embodiment includes a control section 11, a storage section 12, a user interface section 13, and a communication section 14.
  • the control unit 11 executes various data processes based on user operation input detected by the user interface unit 13, data acquired by the communication unit 14, and programs and data stored in the storage unit 12.
  • the control unit 11 also functions as an interface for the user interface unit 13, communication unit 14, and storage unit 12.
  • the control unit 11 includes functional blocks of a characteristic evaluation data preprocessing unit 111, a feature quantity selection processing unit 112, a regression model creation processing unit 113, and a prototype condition proposal processing unit 114.
  • the control unit 11 is configured using, for example, a processor device (hereinafter also simply referred to as a "processor") such as a CPU (Central Processing Unit) and various co-processors, and by executing a predetermined program, These functional blocks can be realized.
  • a processor device hereinafter also simply referred to as a "processor”
  • CPU Central Processing Unit
  • various co-processors such as a CPU (Central Processing Unit) and various co-processors
  • the control unit 11 may be configured using a logic circuit such as an FPGA (Field Programmable Gate Array) instead of the processor.
  • the control unit 11 may be configured by a combination of a processor and a logic circuit.
  • the program executed by the control unit 11 may be installed from a program source.
  • the program source may be, for example, a program distribution computer or a computer-readable recording medium.
  • the programs executed by the control unit 11 may include a device driver, an operating system, various application programs located in an upper layer thereof, and a library that provides common functions to these programs.
  • two or more programs may be realized as one program, or one program may be realized as two or more programs.
  • the characteristic evaluation data preprocessing unit 111 performs preprocessing on the characteristic evaluation data in the so-called raw data state immediately after recording. This process performed by the characteristic evaluation data preprocessing section 111 is referred to as characteristic evaluation data preprocessing.
  • the feature amount selection processing unit 112 executes a process of selecting feature amounts related to explanatory variables for the preprocessed characteristic evaluation data. This process executed by the feature quantity selection processing unit 112 is referred to as feature quantity selection processing.
  • the regression model creation processing unit 113 executes a process of creating a regression model for the preprocessed characteristic evaluation data based on the results of the feature amount selection process. This process executed by the regression model creation processing unit 113 is referred to as regression model creation processing.
  • the prototyping condition proposal processing unit 114 executes a process of proposing material prototyping conditions to the user based on the regression model created by the regression model creation processing unit 113 for the preprocessed characteristic evaluation data. This process executed by the prototype condition proposal processing unit 114 is referred to as a prototype condition proposal process.
  • the storage unit 12 is configured using a storage device such as a RAM or a flash memory, and stores programs that supply various processing instructions to the control unit 11 and data representing various information used in processing executed by the control unit 11.
  • characteristic evaluation data preprocessed by the characteristic evaluation data preprocessing unit 111 (hereinafter referred to as “preprocessed data”), data representing a regression model created by the regression model creation processing unit 113, etc. is stored in the storage unit 12.
  • the control unit 11 reads and writes this information into the storage unit 12, thereby controlling each of the characteristic evaluation data preprocessing unit 111, feature value selection processing unit 112, regression model creation processing unit 113, and prototype condition proposal processing unit 114. Functional blocks can be realized.
  • the user interface unit 13 accepts input operations from the user and is also responsible for processing related to the user interface, such as image display and audio output.
  • the user interface section 13 has functional blocks of an input section 131 and an output section 132.
  • the input unit 131 detects various operations from the user.
  • the input unit 131 is configured using, for example, a keyboard, a pointing device, a touch panel, or the like.
  • the output unit 132 performs screen display, audio output, etc. to the user.
  • the output unit 132 is configured using, for example, a liquid crystal display or a touch screen.
  • the communication unit 14 is in charge of communication processing performed via the Internet 400 with user terminals owned by each user and other devices such as server devices.
  • the communication unit 14 is configured using, for example, a NIC (Network Interface Card) or an HBA (Host Bus Adapter).
  • each function of the prototype condition proposal system 1 is integrally realized by one computer device.
  • each of these functions may be realized by a plurality of mutually connected computer devices or server devices.
  • the prototype condition proposal system 1 may include a general-purpose computer device such as a laptop PC and a web browser installed therein, or may include a web server and various mobile devices. good.
  • each function is an example, and multiple functions may be combined into one function, or one function may be divided into multiple functions.
  • FIG. 3 is a flowchart showing the overall process flow of the prototype condition proposal system according to an embodiment of the present invention. Note that in the following explanation, processes may be explained using each of the above-mentioned functions or programs as subjects, but processes explained using functions or programs as subjects may also be processes performed by a processor or a device having the processor. .
  • step S310 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to perform characteristic evaluation data preprocessing.
  • the characteristic evaluation data is pre-processed and becomes pre-processed data, making it possible to normally execute each subsequent process. Note that details of the characteristic evaluation data preprocessing performed in step S310 will be explained later with reference to the flowchart of FIG. 4.
  • the control unit 11 proceeds to step S320.
  • step S320 the control unit 11 causes the feature selection processing unit 112 to execute a feature selection process.
  • the feature amounts for the explanatory variables included in the preprocessed data are preferably selected for executing each subsequent process. Note that details of the feature quantity selection process performed in step S320 will be explained later with reference to the flowchart of FIG.
  • the control unit 11 proceeds to step S330.
  • step S330 the control unit 11 causes the regression model creation processing unit 113 to execute regression model creation processing. As a result, a regression model is created for the preprocessed data for which the feature amount has been selected. Note that details of the regression model creation process performed in step S330 will be explained later with reference to the flowchart of FIG. 8. When the regression model creation process is completed, the control unit 11 proceeds to step S340.
  • step S340 the control unit 11 executes regression model evaluation processing.
  • the generalization performance which is an index representing the prediction accuracy of the regression model
  • This evaluation is performed, for example, by performing cross validation with other regression models.
  • the evaluation results are visualized using graphs such as scatter diagrams and box plots. Thereby, the user can receive suggestions for prototyping conditions based on a regression model with good generalization performance.
  • the control unit 11 proceeds to step S350.
  • step S350 the control unit 11 causes the prototype condition proposal processing unit 114 to execute a prototype condition proposal process.
  • the user of the prototyping condition proposing system 1 can appropriately modify the prototyping conditions for the material proposed by the prototyping condition proposing system 1 to make them even more preferable.
  • the control unit 11 calculates predicted values of the characteristics of the material when the prototype is produced under the prototype conditions modified by the user by applying the predicted values to the selected regression model, and presents the predicted values to the user. That is, the user can interactively modify the prototype conditions while checking the predicted values.
  • the prototyping condition proposal system 1 is a system that can incorporate the knowledge of the user, who is the developer of the material, into the prototyping conditions of the material proposed to the user. Note that details of the trial production condition proposal process performed in step S350 will be explained later with reference to the flowchart of FIG.
  • the control unit 11 temporarily ends the process shown in the flowchart of FIG. 3 .
  • the prototyping condition proposal system 1 of this embodiment executes each process of steps S310 to S350 in FIG. 3 to propose good prototyping conditions to the user. That is, in the prototype condition proposal system 1 of this embodiment, necessary preprocessing is automatically performed on the characteristic evaluation data in the state of raw data in step S310. Therefore, each process of steps S320 to S350 can be executed without manually performing complicated preprocessing on the characteristic evaluation data. Further, in the prototype condition proposal system 1 of this embodiment, the user can select a regression model with good generalization performance. Therefore, the prototype condition proposal system 1 can propose prototype conditions with good predicted characteristic values to the user.
  • the user of the prototyping condition proposal system 1 makes a prototype of a material under the prototyping conditions proposed by the prototyping condition proposal system 1, evaluates the characteristics of the product, and reports the evaluation results. After having the prototype condition proposal system 1 learn the data representing the new characteristic evaluation data, it is possible to cause the prototype condition proposal system 1 to execute the processes of steps S310 to S350 in FIG. 3 again.
  • the prototyping condition proposal system 1 can propose more optimized prototyping conditions to the user. That is, the prototyping condition proposing system 1 of this embodiment can propose prototyping conditions with better predicted values of characteristics each time the processes of steps S310 to S350 in FIG. 3 are repeated for the same prototyping target.
  • FIG. 4 is a flowchart showing details of the characteristic evaluation data preprocessing.
  • step S401 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to receive input of characteristic evaluation data from the user via the input unit 131 or the communication unit 14.
  • the characteristic evaluation data input to the prototype condition proposal system 1 may be, for example, categorical data, continuous data, or discrete data. Further, the specific data format of the characteristic evaluation data input to the prototype condition proposal system 1 can be determined as appropriate.
  • step S402 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to set the type of variable for the characteristic evaluation data input from the user in step S401.
  • An explanatory variable is a variable that is the basis for calculating a predicted value of a characteristic.
  • the composition of materials, firing conditions, etc. that constitute the trial production conditions correspond to explanatory variables.
  • the objective variable is a variable representing a characteristic value of a material to be prototyped, which is a target of prediction.
  • an explanatory variable may be set by default, and a setting operation may be accepted from a user who wishes to change it to a target variable.
  • step S403 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to determine whether the variable set in step S402 is a target variable. If it is not the objective variable (step S403: N), it is determined that the variable set in step S402 is an explanatory variable and the process proceeds to step S404; if it is determined that it is the objective variable (step S403: Y), the process proceeds to step S404. Proceed to S411.
  • step S404 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to determine whether or not there is an outlier in the characteristic evaluation data for which the explanatory variables have been set in step S402.
  • This process of determining the presence or absence of an outlier is performed, for example, by representing the characteristic evaluation data in a histogram and determining the presence or absence of a value outside the range of the average value ⁇ 2 ⁇ . If it is determined that there is an outlier (step S404: Y), the process advances to step S405 to determine whether this outlier is an abnormal value, and if it is determined that there is no outlier (step S404: N). ), the process directly proceeds to step S407.
  • step S405 the control unit 11 determines that the outlier is an abnormal value for the characteristic evaluation data for which the explanatory variable was determined to have an outlier in step S404 by the characteristic evaluation data preprocessing unit 111. Determine whether or not.
  • the process of determining whether or not the value is an abnormal value is performed, for example, by determining whether there is a data input error or whether there is a failure in the evaluation test machine when generating the characteristic evaluation data. If it is determined that the value is an abnormal value (step S405: Y), the process proceeds to step S406 to set the abnormal value as a missing value, and if it is determined that it is not an abnormal value (step S405: N), the process directly proceeds to step S407. move on.
  • step S406 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to make the abnormal value a missing value for the characteristic evaluation data for which the outlier was determined to be an abnormal value in step S405.
  • step S406 the control unit 11 proceeds to step S407.
  • step S407 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to determine whether or not there is a missing value in the characteristic evaluation data. If it is determined that there is a missing value (step S407: Y), the process proceeds to step S408 to complement the missing value, and if it is determined that there is no missing value (step S407: N), the process directly proceeds to step S409. .
  • step S408 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to complement the missing value of the characteristic evaluation data determined to have a missing value in step S407.
  • the missing value complementing process is performed by using, for example, the average value, median value, minimum value, maximum value, etc. of the characteristic evaluation data excluding outlier values as values for complementing the missing values.
  • missing values may be supplemented by linear interpolation.
  • the explanatory variable is not a continuous value but a categorical value, missing values may be filled in with any character string. Note that, for example, when the missing value is supplemented in step S408, the characteristic evaluation data preprocessing unit 111 may display the supplemented value in red in order to make it easier to identify the supplemented value.
  • the characteristic evaluation data preprocessing unit 111 may delete the level itself without supplementing the missing value in step S408, for example. Furthermore, in the prototype condition proposal system 1 of the present embodiment, the characteristic evaluation data preprocessing unit 111 controls the explanatory variable You can also delete it yourself. When the process in step S408 is completed, the control unit 11 proceeds to step S409.
  • step S409 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to express the characteristic evaluation data in a histogram, and determines the tail of the characteristic evaluation data (the distribution range of characteristic values of all samples of the characteristic evaluation data in the histogram). It is determined whether one of the hems is longer than a reference value.
  • step S409: Y If it is determined that only one of the tails of the characteristic evaluation data expressed in the histogram is longer than the reference value (step S409: Y), the dispersion of the characteristic evaluation data is large, so the process proceeds to step S410, and the characteristic evaluation data expressed in the histogram is If it is determined that the tail of the characteristic evaluation data is shorter than the reference value (step S409: N), the process directly proceeds to step S420 because the variation in the characteristic evaluation data is small enough to perform each subsequent process. In addition, even if it is determined that both tails of the characteristic evaluation data expressed in the histogram are longer than the reference value (step S409: N), if the distribution shape is close to left-right symmetry, processing such as logarithmic transformation is not necessary, so it is left as is. The process advances to step S420. Note that the characteristic evaluation data preprocessing unit 111 may execute the process of step S409 in which it is determined whether logarithmic transformation is performed in step S410 using, for example, skewness
  • step S410 the control unit 11 controls each of the characteristic evaluation data whose tail is determined to be longer than the reference value when expressed in a histogram by the characteristic evaluation data preprocessing unit 111 in step S409.
  • This logarithmic conversion process is performed, for example, by a method such as the Box-Cox conversion process outlined in FIG. Thereby, the distribution of the characteristic evaluation data approaches a normal distribution, so that regression accuracy in machine learning can be improved.
  • the characteristic evaluation data preprocessing unit 111 automatically selects explanatory variables to be subjected to logarithmic transformation processing.
  • the prototype condition proposal system may be configured to allow the user to manually select explanatory variables to be subjected to logarithmic transformation processing.
  • the characteristic evaluation data preprocessing unit 111 performs logarithmic transformation processing on the characteristic evaluation data in step S410, and then represents the characteristic evaluation data before and after the logarithmic transformation processing in a histogram, and The degree of variation may be visualized.
  • the control unit 11 proceeds to step S420.
  • step S411 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to determine whether or not there is an outlier in the characteristic evaluation data for which the target variable was set in step S402.
  • the process of determining the presence or absence of an outlier is performed, for example, by representing the characteristic evaluation data in a histogram, similarly to step S404. If it is determined that there is an outlier (step S411: Y), the process advances to step S412 to determine whether this outlier is an abnormal value, and if it is determined that there is no outlier (step S411: N). ), the process directly advances to step S414.
  • step S412 the control unit 11 determines that the outlier is an abnormal value with respect to the characteristic evaluation data for which the objective variable is set, which was determined by the characteristic evaluation data preprocessing unit 111 to have an outlier in step S411. Determine whether or not.
  • a specific example of an abnormal value is one of the explanatory variables when the explanatory variables completely overlap and there are levels with different characteristics. If it is determined that the sample is an abnormal value (step S412: Y), the process advances to step S413 to delete the sample related to the abnormal value. When all explanatory variables are duplicated and a level with different characteristics is treated as an abnormal value, unlike when one explanatory variable is an abnormal value due to an input error, etc., the level itself must be deleted. This is because it is necessary. On the other hand, if it is determined that the value is not an abnormal value (step S412: N), the process directly advances to step S414.
  • step S413 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to delete samples related to the abnormal value of the characteristic evaluation data for which the outlier was determined to be an abnormal value in step S412. Note that when all of the explanatory variables described above overlap and there are levels with different characteristics, it may be desirable to leave both explanatory variables because the overlap is meaningful. In such a case, in the prototype condition proposal system 1 of this embodiment, the processing in steps S412 to S413 can be omitted. When the process in step S413 is completed, the control unit 11 proceeds to step S414.
  • step S414 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to determine whether or not there is a missing value in the characteristic evaluation data. This is because the characteristic evaluation data may include missing values in advance. If it is determined that there is a missing value (step S414: Y), the process advances to step S415 to delete the sample related to the missing value, and if it is determined that there is no missing value (step S414: N), the process continues to step S415. Proceed to S416.
  • step S415 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to delete samples related to the missing value of the characteristic evaluation data determined to have a missing value in step S414.
  • step S416 the control unit 11 proceeds to step S416.
  • step S416 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to represent the characteristic evaluation data in a histogram, and determines whether one of the tails of the characteristic evaluation data is longer than the reference value. Determine. If it is determined that only one of the tails of the characteristic evaluation data expressed in the histogram is longer than the reference value (step S416: Y), the process proceeds to step S417 because the variation in the characteristic evaluation data is large, and the characteristic evaluation data expressed in the histogram is If it is determined that the tail of the characteristic evaluation data is shorter than the reference value (step S416: N), the process directly proceeds to step S418 because the variation in the characteristic evaluation data is sufficiently small to perform each subsequent process.
  • step S416 N
  • step S418 the characteristic evaluation data preprocessing unit 111 may execute the process of step S416 in which it is determined whether logarithmic transformation is performed in step S417, using, for example, skewness as an index.
  • step S417 the control unit 11 uses the above-mentioned Box-Cox Logarithmic transformation is performed using a method such as conversion processing. Thereby, the distribution of the characteristic evaluation data approaches a normal distribution, so that regression accuracy in machine learning can be improved.
  • step S418 the control unit 11 proceeds to step S418.
  • step S4108 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to determine whether the number of objective variables set in the characteristic evaluation data is two or more. If it is determined that the number of set objective variables is two or more (step S418: Y), the process advances to step S419 in order to combine all the set objective variables into one. On the other hand, if it is determined that the number of set target variables is not two or more (step S418: N), that is, the number of set target variables is one. In this case, there is no need to perform target variable synthesis processing, so the process directly advances to step S420.
  • the characteristic evaluation data preprocessing unit 111 also executes each process of steps S420 to S422 for so-called multi-purpose characteristic evaluation data in which two or more objective variables are set. can do. Therefore, when performing the following processes on various multi-purpose characteristic evaluation data, the characteristic evaluation data preprocessing unit 111 can omit the determination process in step S418.
  • step S419 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to combine all objective variables set in the characteristic evaluation data into one.
  • This objective variable synthesis process is performed, for example, by weighted averaging of all objective variables set in the characteristic evaluation data.
  • the number of objective variables set in the characteristic evaluation data becomes one, and the subsequent optimization process for the prototype conditions can be executed as so-called single-objective optimization.
  • the optimization process is performed by Bayesian optimization, the optimization process can be executed even if a plurality of objective variables are set. Therefore, in such a case, for the characteristic evaluation data determined in step S418 as having two or more set objective variables, the objective variable synthesis process is not performed in step S419.
  • the subsequent optimization process may be performed as multi-objective optimization while the number of variables is two or more.
  • step S420 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to perform standardization processing on the characteristic evaluation data as necessary.
  • This standardization process converts the scale of the characteristic evaluation data so that the average is 0 and the standard deviation (variance) is 1, as shown in an overview in FIG.
  • the control unit 11 proceeds to step S421.
  • the standardization processing in S420 may be omitted and the process may directly proceed to step S421.
  • step S421 the control unit 11 causes the characteristic evaluation data preprocessing unit 111 to perform normalization processing on the characteristic evaluation data as necessary. This normalization process is performed for the purpose of making it easier to compare explanatory variables with different scales. In addition, when the standardization process is performed on the characteristic evaluation data in step S420, each subsequent process may be performed without performing the normalization process in S421. When the process in step S421 is completed, the control unit 11 proceeds to step S422.
  • step S422 the control unit 11 uses the characteristic evaluation data preprocessing unit 111 to set upper and lower limits for the characteristic evaluation data.
  • the characteristic evaluation data preprocessing unit 111 automatically extracts and sets upper and lower limit values from existing data. Further, the user of the prototype condition proposal system 1 can manually modify the upper and lower limit values automatically set by the characteristic evaluation data preprocessing unit 111 as necessary.
  • the control unit 11 stores the preprocessed data, which is the characteristic evaluation data that has been preprocessed in steps S401 to S422 in FIG. The characteristic evaluation data preprocessing shown in is completed.
  • FIG. 7 is a flowchart showing details of the feature quantity selection process.
  • step S710 the control unit 11 uses the feature amount selection processing unit 112 to acquire the preprocessed data from the storage unit 12, and determines whether the preprocessed data includes redundant explanatory variables. do. This determination is made based on whether a combination of explanatory variables with a correlation coefficient of a predetermined number or more, for example, 0.8 or more can be extracted. If it is determined that the preprocessed data includes redundant explanatory variables, the control unit 11 deletes one of the redundant explanatory variables and proceeds to step S720. In the prototype condition proposal system 1 of this embodiment, combinations of explanatory variables with a correlation coefficient of 0.8 or more are made visible to the user through the output unit 132, and the user selects explanatory variables to be deleted through the input unit 131. You can choose. On the other hand, if it is determined that the preprocessed data does not include redundant explanatory variables, the control unit 11 directly proceeds to step S720.
  • step S720 the control unit 11 causes the feature amount selection processing unit 112 to perform a decision tree analysis on the preprocessed data that has undergone the processing in step S710, and outputs the analysis results to the user through the output unit 132. It is also possible to perform visualization processing. This allows the user to verify the validity of the results of the determination process in step S710 and the process of deleting one of the redundant explanatory variables based on the visualized decision tree.
  • the control unit 11 proceeds to step S730.
  • step S730 the control unit 11 uses the feature amount selection processing unit 112 to evaluate the importance of each of the plurality of explanatory variables included in the preprocessed data with respect to the characteristic evaluation data, and based on the evaluation result,
  • a process is performed to automatically select feature quantities to be used as explanatory variables of the regression model.
  • the prototyping condition proposal system 1 of this embodiment performs this process of evaluating the importance of explanatory variables and selecting feature quantities using a method called RFE (Recursive Feature Elimination) that uses a random forest regression tree as an algorithm. .
  • RFE Recursive Feature Elimination
  • This method removes explanatory variables included in the preprocessed data one by one in order of importance, and immediately before the prediction accuracy of characteristic values obtained from the remaining explanatory variables falls below a threshold.
  • the explanatory variables included in the preprocessed data are evaluated as important variables.
  • This method has the advantage of being able to select robust features and create a model that is less prone to overfitting by using a random forest regression tree in the algorithm that calculates importance by combining multiple decision trees. Therefore, the prototype condition proposal system 1 of the present embodiment is suitable for cases where characteristic evaluation data has a large number of explanatory variables relative to the number of samples, and there is a risk of overfitting if a characteristic prediction model is constructed using all explanatory variables.
  • step S730 the control unit 11 proceeds to step S740.
  • step S740 the control unit 11 causes the feature quantity selection processing unit 112 to reduce the number of explanatory variables for the preprocessed data for which the importance of the explanatory variables has been evaluated and the feature quantities have been selected in step S730. Also, it is determined whether the generalization performance is improved. If it is determined that the generalization performance does not improve even if the number of explanatory variables is reduced (step S740: Y), the process proceeds to step S760 to determine a combination of explanatory variables, and if the number of explanatory variables is reduced, the generalization performance is not improved (step S740: Y). If it is determined that the generalization performance improves (step S740: N), the process proceeds to step S750 to limit the number of explanatory variables to a number that improves the generalization performance.
  • step S750 the control unit 11 improves the generalization performance of the preprocessed data for which the feature amount selection processing unit 112 determines that the generalization performance will improve if the number of explanatory variables is reduced.
  • the process of narrowing down the explanatory variables to the number of explanatory variables is performed. In the prototyping condition proposal system 1 of this embodiment, this process is performed by the feature value selection processing unit 112 automatically selecting explanatory variables that influence the improvement of generalization performance among the explanatory variables included in the preprocessed data. This is done by selecting .
  • the control unit 11 ends the feature quantity selection process shown in the flowchart of FIG.
  • step S760 the control unit 11 reduces the number of explanatory variables for the preprocessed data for which the feature amount selection processing unit 112 determines that generalization performance will not improve even if the number of explanatory variables is reduced in step S740. Perform the processing to determine.
  • the user can determine the number of explanatory variables.
  • the feature amount selection processing unit 112 determines the number of explanatory variables for which input from the user is received via the input unit 131 or the communication unit 14.
  • the control unit 11 ends the feature amount selection process shown in the flowchart of FIG.
  • FIG. 8 is a flowchart showing details of the regression model creation process.
  • step S810 the control unit 11 sets constraints between explanatory variables for the preprocessed data that has been subjected to the feature quantity selection process by the regression model creation processing unit 113.
  • the regression model creation processing unit 113 sets constraints between explanatory variables specified by the user via the input unit 131 or the communication unit 14. This can prevent prototyping conditions that are inconsistent and unrealistic from being proposed.
  • the control unit 11 proceeds to step S820.
  • step S820 the control unit 11 causes the regression model creation processing unit 113 to select execution conditions for cross-validation for evaluating the regression model to be created.
  • the user can also select conditions for cross-validation. That is, the regression model creation processing unit 113 can receive cross-validation implementation conditions from the user via the input unit 131 or the communication unit 14.
  • the control unit 11 proceeds to step S830.
  • step S830 the control unit 11 causes the regression model creation processing unit 113 to select regression model candidates to be used as predictive models in searching for trial production conditions.
  • the regression model creation processing section 113 selects, as a candidate, the regression model for which selection processing has been received from the user via the input section 131 or the communication section 14.
  • the user can perform Gaussian process regression, the above-mentioned linear regression, regression trees (including cases using ensemble methods), neural network regression, support vector regression, logistic regression, LASSO regression, etc.
  • a plurality of regression models can be selected as candidates from various regression models.
  • step S840 the control unit 11 uses the regression model creation processing unit 113 to search for and set optimal hyperparameters for each of the various regression models selected as candidates in step S830.
  • the regression model creation processing unit 113 automatically searches for all parameters for each regression model, and when they are set as hyperparameters at the time of creation of the regression model, the regression model is generalized. Automatically set the one that gives the best performance.
  • the control unit 11 proceeds to step S850.
  • step S850 the control unit 11 causes the regression model creation processing unit 113 to select a regression model with the highest generalization performance from among the various regression models each having the optimal hyperparameter set.
  • step S850 the control unit 11 proceeds to step S860.
  • step S860 the control unit 11 causes the regression model creation processing unit 113 to perform processing to determine the final regression model.
  • the control unit 11 ends the regression model creation process shown in the flowchart of FIG.
  • FIG. 9 is a flowchart showing details of the prototype condition proposal process.
  • step S910 the control unit 11 causes the prototype condition proposal processing unit 114 to perform a search process for prototype conditions based on the regression model created in step S850 of FIG.
  • the prototype condition proposal processing unit 114 executes this processing by optimization processing.
  • the prototyping condition proposal system 1 of this embodiment uses mathematical optimization (MO), Bayesian optimization (BO), genetic algorithm (GA), and Newton's method (NM). ) and simplex method (SM). As a result, each explanatory variable for which the predicted value of the characteristic that is the objective variable is the best is proposed to the user as a provisional prototype condition representing the result of the search process.
  • the prototype condition proposal processing unit 114 performs a sensitivity analysis on the temporary prototype condition, evaluates the importance of each explanatory variable that makes up the temporary prototype condition, and presents the evaluation results together.
  • the prototype condition proposing system 1 of this embodiment if the regression model used is Gaussian process regression, it is also possible to select the prototype condition that maximizes the acquisition function.
  • step S920 the control unit 11 causes the prototype condition proposal processing unit 114 to accept from the user a modification to the provisional prototype conditions proposed to the user in step S910.
  • the prototype condition proposal processing unit 114 receives an input operation related to modifying the value of each explanatory variable constituting the temporary prototype condition from the user via the input unit 131 or the communication unit 14, the prototype condition proposal processing unit 114 proposes a temporary prototype according to the content of the modification. Modify the condition.
  • the control unit 11 proceeds to step S930.
  • step S930 the control unit 11 causes the prototyping condition proposal processing unit 114 to use the regression model to obtain predicted values of material properties when prototyping is made under the corrected provisional prototyping conditions, and presents the calculation results to the user. do.
  • the prototype condition proposal processing unit 114 similarly to step S910, also performs a sensitivity analysis on the revised temporary prototype conditions, and determines the importance of the explanatory variables that make up the revised temporary prototype conditions. and present the evaluation results. Note that this evaluation result is updated every time the user modifies the provisional prototype conditions, so that the latest evaluation result is always presented to the user.
  • the control unit 11 proceeds to step S940.
  • step S940 the control unit 11 causes the prototype condition proposal processing unit 114 to determine whether or not the predicted values of the properties obtained in step S930 are insufficient as the characteristic values of the material to be prototyped, regarding the corrected temporary prototype conditions. judge. For example, if the regression model to be used is Gaussian process regression, this determination is made by calculating an acquisition function that represents the expected value for improving the material properties when prototyped under the prototype conditions for each prototype condition. This is performed by determining the modified provisional prototype conditions and determining whether the difference between the value of the acquisition function and the maximum value of the acquisition function is within a predetermined range.
  • the regression model to be used is Gaussian process regression
  • step S940: Y If it is determined that the predicted characteristic values are insufficient (step S940: Y), the process returns to step S920 and receives instructions for modifying the prototype conditions from the user again, and it is determined that the predicted characteristic values are not insufficient.
  • step S940: N the predicted values of the material properties when prototyping is made under the modified provisional prototyping conditions are sufficient, so the process proceeds to step S950. That is, this process in step S940 is repeated until it is determined that the predicted values of the material properties related to the temporary prototype conditions are not insufficient.
  • step S950 the control unit 11 causes the prototype condition proposal processing unit 114 to finalize the provisional prototype conditions for which it was determined that the predicted characteristic values are not insufficient in step S940, and is proposed to the user as confirmed.
  • the control unit 11 ends the prototype condition proposal process shown in the flowchart of FIG.
  • the prototyping condition proposal system 1 of this embodiment allows the user to make a prototype of a material based on the prototyping conditions proposed in step S950 of FIG.
  • the control unit 11 of the prototype condition proposal system 1 determines whether or not the newly input characteristic evaluation data includes a missing value. If it is determined that a missing value is included (Y), it is necessary to process this missing value appropriately. Therefore, if this missing value is related to the explanatory variable, the process is started from step S404 in FIG. 4, and if this missing value is related to the objective variable, the process is started from step S411 in FIG.
  • the control unit 11 determines whether or not it is necessary to update the regression model. If it is determined that it is necessary to update the regression model, the control unit 11 starts processing from step S420 in FIG. Execute selection processing. On the other hand, if it is determined that the regression model does not need to be updated, the control unit 11 omits the feature value selection process, the regression model creation process, and the regression model evaluation process, and uses the previously created regression model to perform the steps shown in FIG.
  • step S910 a prototyping condition proposal process is performed on the newly input characteristic evaluation data. Note that even if the newly input characteristic evaluation data includes a missing value, if the regression model does not need to be updated, the control unit 11 similarly performs the feature value selection process and the regression model creation process. and omit regression model evaluation processing.
  • the prototyping condition proposal system 1 is a system that proposes prototyping conditions for materials to material developers, and includes a characteristic evaluation data preprocessing section 111, a feature quantity selection processing section 112, and a regression model creation processing section 113. , and a prototype condition proposal processing section 114.
  • the characteristic evaluation data preprocessing unit 111 performs preprocessing on the characteristic evaluation data representing the evaluation results of the characteristics of the material (step S310).
  • the feature selection processing unit 112 executes feature selection processing on the preprocessed characteristic evaluation data (step S320).
  • the regression model creation processing unit 113 executes regression model creation processing on the preprocessed characteristic evaluation data based on the results of the feature value selection processing (step S330).
  • the prototyping condition proposal processing unit 114 executes prototyping condition proposing processing on the preprocessed characteristic evaluation data based on the regression model created by the regression model creation processing unit 113 (step S350). In this way, the necessary preprocessing is automatically performed on the characteristic evaluation data in the raw data state, so there is no need to manually perform complicated preprocessing on the characteristic evaluation data, and each subsequent step is performed automatically. processing can be executed. Furthermore, by using a regression model with good generalization performance, it is possible to propose prototype conditions with good predicted characteristic values to the material developer who is the user.
  • the prototyping condition proposal system 1 of the present embodiment based on the characteristic evaluation data of the so-called raw data state, good prototyping conditions are determined from a very wide range of prototyping conditions due to the large number of types of features to be considered. can be derived and proposed to material developers.
  • the preprocessing performed by the characteristic evaluation data preprocessing unit 111 includes a missing value complementing process (step S408), an outlier and abnormal value process (steps S404 to S406 and steps S411 to S413), and a standardization process ( Step S420) and normalization processing (Step S421). By doing this, the necessary preprocessing is automatically performed on the characteristic evaluation data in the raw data state, resulting in preprocessed data, which allows subsequent processing to be executed successfully. .
  • step S410 executed by the characteristic evaluation data preprocessing unit 111 is a Box-Cox transformation process (FIG. 5).
  • the feature quantity selection processing unit 112 evaluates the importance of the plurality of explanatory variables included in the characteristic evaluation data preprocessed by the characteristic evaluation data preprocessing unit 111 using an arbitrary machine learning algorithm, Based on the evaluation results, a process (step S730) of selecting an explanatory variable for a regression model from a plurality of explanatory variables is executed.
  • a process step S730 of selecting an explanatory variable for a regression model from a plurality of explanatory variables is executed.
  • the above machine learning algorithm is a random forest that calculates importance by combining multiple decision trees. By doing this, it is possible to select robust feature quantities and create a regression model that is unlikely to be overfitted.
  • the regression model creation processing unit 113 executes a process of selecting a regression model with the best generalization performance based on the cross-validation results (step S850). By doing this, it is possible to select an appropriate regression model depending on the content of the characteristic evaluation data.
  • the regression model creation processing unit 113 sets optimal hyperparameters for each regression model to be created (step S840). Since this is done, hyperparameters optimal for the regression model are automatically set for each regression model.
  • the prototyping condition proposal processing unit 114 executes a process of accepting a correction operation from the material developer for the prototyping conditions of the material proposed to the material developer (step S920).
  • the material developer who is the user of the prototyping condition proposal system 1 can modify the prototyping conditions interactively while checking the predicted values of the material properties when prototyping is made under the pre-modified prototyping conditions. By doing so, you can incorporate your own knowledge into the revised prototype conditions.
  • the prototyping condition proposal process includes an optimization process. By doing this, it is possible to suggest to the user the prototype conditions that give the best predicted values of the characteristics.
  • Prototype condition proposal system 11 Control unit 12: Storage unit 13: User interface unit 14: Communication unit 111: Characteristic evaluation data preprocessing unit 112: Feature selection processing unit 113: Regression model creation processing unit 114: Prototype condition proposal Processing unit 131: Input unit 132: Output unit 400: Internet

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

特性評価データを基に材料の試作条件を推定する際に、当該特性評価データの前処理を自動的に実行することが可能な技術を提供する。試作条件提案システム１は、特性評価データ前処理部１１１と、特徴量選択処理部１１２と、回帰モデル作成処理部１１３と、試作条件提案処理部１１４とを備える。特性評価データ前処理部１１１は、材料の特性の評価結果を表す特性評価データに対して前処理を施す。特徴量選択処理部１１２は、前処理が施された特性評価データについて特徴量選択処理を実行する。回帰モデル作成処理部１１３は、特徴量選択処理の結果を基に、前処理が施された特性評価データについて回帰モデル作成処理を実行する。試作条件提案処理部１１４は、前処理が施された特性評価データについて、回帰モデル作成処理部１１３が作成した回帰モデルに基づいて試作条件提案処理を実行する。

Description

試作条件提案システム、試作条件提案方法
　本発明は、材料開発者に材料の試作条件を提案するシステムおよび方法に関する。
　材料（Materials）の研究開発を行う材料科学の分野では、今日、統計解析や機械学習等の情報技術（Informatics）を利用して材料の物性や構造等を効率よく予測する、マテリアルズ・インフォマティクス（Materials Informatics; ＭＩ）と呼ばれる手法が広く用いられている。このマテリアルズ・インフォマティクスを用いた材料の研究開発に関して、例えば特許文献１の技術が知られている。特許文献１には、試料とされる複数の物質それぞれの作製条件と、各物質の物性や構造を表す物質情報とを含むデータセットから、最適な物性や構造を有する物質の作製条件を推定するシステムが開示されている。
国際公開第２０２１／０４４９１３号明細書
　マテリアルズ・インフォマティクスを用いた材料開発の現場では、通例、開発対象の材料の特性を評価する各種の評価試験を実施し、この評価試験の結果を表すデータ（以下、「特性評価データ」と称する）を基に、当該材料が良好な特性を備えることとなる作製条件を推定する処理をコンピュータに実行させる。ここで、特性評価データは、評価試験の結果が記録された直後のいわゆる生データの状態では、データの分布にばらつきがあったり、特徴量の尺度が不揃いであったりすることが少なくない。そこで、然様な場合には、その後の処理を正常に実行可能にするために、事前に生データの状態の特性評価データに含まれる説明変数（以下、「材料設計変数」とも称する）および目的変数を適宜に整える処理（以下、「前処理」と称する）を実施する必要がある。
　しかしながら、一般に、材料開発の現場で前処理の実施対象になる特性評価データの量は相当数に上り、かつ、その種類もきわめて多岐にわたる。そして、特許文献１に記載のシステムは、生データの状態の特性評価データに対して前処理を実施することができない。そのため、特許文献１に記載の技術を使用して材料の試作を行う場合、その作製条件（以下、「試作条件」と称する）を推定するために、非常に繁雑な前処理を事前に人手により実施する必要があり、試作条件を効率よく推定できないおそれがある。
　本発明は、上記の課題に鑑みて、特性評価データを基に材料の試作条件を提案する際に、当該特性評価データの前処理を自動的に実行可能な技術を提供することを目的とする。
　本発明による試作条件提案システムは、材料開発者に材料の試作条件を提案するものであって、特性評価データ前処理部と、特徴量選択処理部と、回帰モデル作成処理部と、試作条件提案処理部とを備える。特性評価データ前処理部は、材料の特性の評価結果を表す特性評価データに対して前処理を施す。特徴量選択処理部は、前処理が施された特性評価データについて特徴量選択処理を実行する。回帰モデル作成処理部は、特徴量選択処理の結果を基に、前処理が施された特性評価データについて回帰モデル作成処理を実行する。試作条件提案処理部は、前処理が施された特性評価データについて、回帰モデル作成処理部が作成した回帰モデルに基づいて試作条件提案処理を実行する。
　本発明による試作条件提案方法は、材料開発者に材料の試作条件を提案する方法であって、材料の特性の評価結果を表す特性評価データに対する前処理と、前処理が施された特性評価データについて行う特徴量選択処理と、特徴量選択処理の結果を基に、前処理が施された特性評価データについて行う回帰モデル作成処理と、前処理が施された特性評価データについて、回帰モデル作成処理で作成した回帰モデルに基づいて行う試作条件提案処理とをコンピュータに実行させる。
　その他、本願が開示する課題とその解決方法は、発明を実施するための形態の欄、および図面の記載によって明らかにされる。
　本発明によれば、特性評価データを基に材料の試作条件を提案する際に、当該特性評価データの前処理を自動的に行うことができる。
本発明の一実施形態に係る試作条件提案システムの概要を示す模式図。 本発明の一実施形態に係る試作条件提案システムの機能ブロックを示す図。 本発明の一実施形態に係る試作条件提案システムの処理全体の流れを示すフローチャート。 特性評価データ前処理の詳細を示すフローチャート。 Ｂｏｘ‐Ｃｏｘ変換処理の概要を示す図。 標準化処理の概要を示す図。 特徴量選択処理の詳細を示すフローチャート。 回帰モデル作成処理の詳細を示すフローチャート。 試作条件提案処理の詳細を示すフローチャート。
　以下、本実施形態を詳細に説明する。図１は、本発明の一実施形態に係る試作条件提案システムの概要を示す模式図である。図１に示す試作条件提案システム１は、材料の組成や焼成条件等といった、材料を試作する際に考慮するべき種々の試作条件をそれぞれ最適化し、その結果を本システムのユーザーである材料開発者に提案するものである。この試作条件の最適化は、当該材料の特性の評価結果を表す特性評価データを基に、各種の機械学習アルゴリズムを用いて行われる。また、このとき、予測モデルには、例えば、ガウス過程回帰（Gaussian Process Regression; ＧＰＲ）や線形回帰（LinearRegression）、回帰木（Regression Tree; アンサンブル法による場合を含む）、ニューラルネットワークによる回帰（Neural Network Regression）、サポートベクター回帰（Support Vector Regression; ＳＶＲ）、ロジスティック回帰（Logistic Regression）、ＬＡＳＳＯ回帰（Least Absolute Shrinkage and Selection Operator Regression）等の各種の回帰モデルが使用される。
　図１に示したように、試作条件提案システム１のユーザーが、試作条件提案システム１から提案された試作条件で材料の試作を行い、その成果物である材料の特性の評価を行うと、この成果物の特性の評価値を表すデータが新たに生成される。このデータを新たな特性評価データとして試作条件提案システム１に学習させると、試作条件提案システム１は、より最適化された試作条件をユーザーに提案する。本実施形態の試作条件提案システム１は、ユーザーがこのサイクルを繰り返す度に、特性の予測値がより好ましい試作条件を提案することができる。なお、試作条件提案システムが、材料を試作する機能や、試作対象の材料の特性を評価する機能を含んでいたり、これらの機能と一体的に構成されていたりしてもよい。
　本実施形態の試作条件提案システム１は、図１に示したように、一台の汎用コンピュータ装置によって実現される。以下の説明は、試作条件提案システム１が、一つ以上のプロセッサデバイス、一つ以上の記憶装置、一つ以上の入出力装置、およびそれらを連結する有線または無線の通信線（いずれも不図示）を備える一台の汎用コンピュータ装置により実現されているものとして行う。
　このコンピュータ装置は、例えば実験室の内部に端末として設置され、当該実験室の内外に設置されている他の各種端末や、各ユーザーが保有するラップトップＰＣやタブレット、スマートフォン等の各種端末（以下、「ユーザー端末」と称する）、サーバ装置等の他の機器と、インターネット４００や専用線等の通信ネットワークを介して接続される。なお、当該コンピュータ装置とインターネット４００とは、周知の通信用機器（不図示）を介して有線で接続されるが、無線で接続されてもよい。
　次に、試作条件提案システム１が備える各種機能について、図２を参照して説明する。図２は、本発明の一実施形態に係る試作条件提案システムの機能ブロックを示す図である。なお、以下に説明する各ブロックは、ハードウェア単位の構成ではなく、機能単位のブロックを示している。本実施形態の試作条件提案システム１は、図２に示すように、制御部１１、記憶部１２、ユーザーインターフェース部１３、および通信部１４を備えて構成される。
　制御部１１は、ユーザーインターフェース部１３が検出したユーザーの操作入力、通信部１４により取得されたデータ、および記憶部１２が記憶しているプログラムやデータに基づいて各種データ処理を実行する。制御部１１は、ユーザーインターフェース部１３、通信部１４および記憶部１２のインターフェースとしても機能する。
　制御部１１は、特性評価データ前処理部１１１、特徴量選択処理部１１２、回帰モデル作成処理部１１３および試作条件提案処理部１１４の各機能ブロックを有する。制御部１１は、例えばＣＰＵ（Central Processing Unit）および各種コプロセッサ（Co-processor）等のプロセッサデバイス（以下、単に「プロセッサ」とも称する）を用いて構成され、所定のプログラムを実行することによって、これらの機能ブロックを実現することができる。なお、プロセッサの代わりに、例えばＦＰＧＡ（Field Programmable Gate Array）等の論理回路を用いて制御部１１を構成してもよい。また、プロセッサと論理回路との組合せによって制御部１１を構成してもよい。
　制御部１１が実行するプログラムは、プログラムソースからインストールされてもよい。プログラムソースは、例えばプログラム配布計算機や計算機が読み取り可能な記録媒体等であってもよい。また、制御部１１が実行するプログラムは、デバイスドライバ、オペレーティングシステム、それらの上位層に位置する各種アプリケーションプログラム、また、これらのプログラムに共通機能を提供するライブラリによって構成されてもよい。さらに、二つ以上のプログラムが一つのプログラムとして実現されてもよいし、一つのプログラムが二つ以上のプログラムとして実現されてもよい。
　特性評価データ前処理部１１１は、記録直後のいわゆる生データの状態の特性評価データに対して前処理を施す。特性評価データ前処理部１１１が行うこの処理を、特性評価データ前処理と称する。
　特徴量選択処理部１１２は、前処理が施された特性評価データについて、説明変数に関する特徴量を選択する処理を実行する。特徴量選択処理部１１２が実行するこの処理を、特徴量選択処理と称する。
　回帰モデル作成処理部１１３は、特徴量選択処理の結果を基に、前処理が施された特性評価データについて回帰モデルを作成する処理を実行する。回帰モデル作成処理部１１３が実行するこの処理を、回帰モデル作成処理と称する。
　試作条件提案処理部１１４は、前処理が施された特性評価データについて、回帰モデル作成処理部１１３が作成した回帰モデルに基づいて材料の試作条件をユーザーに提案する処理を実行する。試作条件提案処理部１１４が実行するこの処理を、試作条件提案処理と称する。
　なお、これらの処理の具体的な内容については後述する。
　記憶部１２は、例えばＲＡＭやフラッシュメモリ等の記憶装置を用いて構成されており、制御部１１に各種処理命令を供給するプログラム、および制御部１１が実行する処理において用いられる各種情報を表すデータを記憶する。例えば、特性評価データ前処理部１１１により前処理が施された特性評価データ（以下、「前処理実施済データ」と称する）や、回帰モデル作成処理部１１３により作成された回帰モデルを表すデータ等が記憶部１２に記憶される。制御部１１は、これらの情報を記憶部１２に読み書きすることで、前述の特性評価データ前処理部１１１、特徴量選択処理部１１２、回帰モデル作成処理部１１３および試作条件提案処理部１１４の各機能ブロックを実現することができる。
　ユーザーインターフェース部１３は、ユーザーからの入力操作を受け付けるほか、画像表示や音声出力等、ユーザーインターフェースに関する処理を担当する。ユーザーインターフェース部１３は、入力部１３１および出力部１３２の各機能ブロックを有する。入力部１３１は、ユーザーからの各種操作を検出する。入力部１３１は、例えばキーボードやポインティングデバイス、タッチパネル等を用いて構成される。出力部１３２は、ユーザーに対して画面表示や音声出力等を実行する。出力部１３２は、例えば液晶ディスプレイやタッチスクリーン等を用いて構成される。
　通信部１４は、インターネット４００を介して行われる、各ユーザーが保有するユーザー端末や、サーバ装置等の他の機器との通信処理を担当する。通信部１４は、例えばＮＩＣ（Network Interface Card）やＨＢＡ（Host Bus Adapter）等を用いて構成される。
　本実施形態では、試作条件提案システム１の各機能が一台のコンピュータ装置により一体的に実現されているものとして説明した。しかしながら、これらの各機能は相互に接続された複数台のコンピュータ装置またはサーバ装置によって実現されてもよい。また、試作条件提案システム１は、ラップトップＰＣ等の汎用コンピュータ装置と、これにインストールされたウェブブラウザとを含む構成であってもよいし、ウェブサーバや各種携帯機器を含む構成であってもよい。
　また、各機能の説明は一例であり、複数の機能が一つの機能にまとめられたり、一つの機能が複数の機能に分割されたりしてもよい。
　次に、試作条件提案システム１の処理全体の流れについて、図３を参照して説明する。図３は、本発明の一実施形態に係る試作条件提案システムの処理全体の流れを示すフローチャートである。なお、以下の説明では、前述の各機能またはプログラムを主語として処理を説明する場合があるが、機能またはプログラムを主語として説明した処理は、プロセッサ、あるいはそのプロセッサを有する装置が行う処理としてもよい。
　ステップＳ３１０において、制御部１１は、特性評価データ前処理部１１１により、特性評価データ前処理を実行する。これにより、特性評価データに前処理が施されて前処理実施済データとなり、以後の各処理を正常に実行することが可能になる。なお、ステップＳ３１０で行われる特性評価データ前処理の詳細は、後で図４のフローチャートを参照して説明する。制御部１１は、特性評価データ前処理が完了すると、ステップＳ３２０に進む。
　ステップＳ３２０において、制御部１１は、特徴量選択処理部１１２により、特徴量選択処理を実行する。これにより、前処理実施済データに含まれる説明変数についての特徴量が、以後の各処理を実行するうえで好ましく選択される。なお、ステップＳ３２０で行われる特徴量選択処理の詳細は、後で図７のフローチャートを参照して説明する。制御部１１は、特徴量選択処理が完了すると、ステップＳ３３０に進む。
　ステップＳ３３０において、制御部１１は、回帰モデル作成処理部１１３により、回帰モデル作成処理を実行する。これにより、特徴量が選択された前処理実施済データについて、回帰モデルが作成される。なお、ステップＳ３３０で行われる回帰モデル作成処理の詳細は、後で図８のフローチャートを参照して説明する。制御部１１は、回帰モデル作成処理が完了すると、ステップＳ３４０に進む。
　ステップＳ３４０において、制御部１１は、回帰モデル評価処理を実行する。この回帰モデル評価処理では、ステップＳ３３０までの各処理の結果作成された複数の回帰モデルの各々について、回帰モデルの予測精度を表す指標である汎化性能を評価する。この評価は、例えば、他の回帰モデルとの間で交差検証（Cross Validation）を行うことで行う。評価の結果は、例えば散布図や箱ひげ図等のグラフによって可視化される。これにより、ユーザーは、汎化性能が良好な回帰モデルに基づく試作条件の提案を受けることができる。制御部１１は、回帰モデル評価処理が完了すると、ステップＳ３５０に進む。
　ステップＳ３５０において、制御部１１は、試作条件提案処理部１１４により、試作条件提案処理を実行する。この試作条件提案処理では、試作条件提案システム１のユーザーが、試作条件提案システム１が提案した材料の試作条件を、さらに好ましいものとするために、適宜に修正することができる。制御部１１は、ユーザーにより修正された試作条件で試作した場合の材料の特性の予測値を、選択した回帰モデルに当てはめることによって求め、ユーザーに提示する。すなわち、ユーザーは、この試作条件の修正作業を、当該予測値を確認しながら対話的に行うことができる。このように、試作条件提案システム１は、ユーザーに提案する材料の試作条件に、当該材料の開発者であるユーザーの知見を盛り込むことが可能なシステムとなっている。なお、ステップＳ３５０で行われる試作条件提案処理の詳細については、後で図９のフローチャートを参照して説明する。制御部１１は、試作条件提案処理が完了すると、図３のフローチャートに示す処理を一旦終了する。
　本実施形態の試作条件提案システム１は、図３のステップＳ３１０～Ｓ３５０の各処理を実行して、良好な試作条件をユーザーに提案する。すなわち、本実施形態の試作条件提案システム１では、ステップＳ３１０において、生データの状態の特性評価データに対して必要な前処理が自動的に施される。そのため、特性評価データに対して繁雑な前処理を人手により行うことなく、ステップＳ３２０～Ｓ３５０の各処理を実行することができる。また、本実施形態の試作条件提案システム１では、ユーザーは、汎化性能が良好な回帰モデルを選択することができる。そのため、試作条件提案システム１は、ユーザーに対して、予測される特性値が良好な試作条件を提案することができる。
　なお、図１に関連して前述したように、試作条件提案システム１のユーザーは、試作条件提案システム１が提案した試作条件で材料の試作を行ってその成果物の特性を評価し、評価結果を表すデータを新たな特性評価データとして試作条件提案システム１に学習させたうえで、再度、試作条件提案システム１に図３のステップＳ３１０～Ｓ３５０の各処理を実行させることができる。この場合、試作条件提案システム１は、より最適化された試作条件をユーザーに提案することができる。すなわち、本実施形態の試作条件提案システム１は、同一の試作対象について図３のステップＳ３１０～Ｓ３５０の各処理を繰り返す度に、特性の予測値がより良好な試作条件を提案することができる。
　図４は、特性評価データ前処理の詳細を示すフローチャートである。
　ステップＳ４０１において、制御部１１は、特性評価データ前処理部１１１により、ユーザーからの特性評価データの入力を、入力部１３１または通信部１４を介して受け付ける。試作条件提案システム１に入力する特性評価データは、例えばカテゴリデータであってもよいし、連続データであってもよいし、離散データであってもよい。また、試作条件提案システム１に入力する特性評価データの具体的なデータ形式は、適宜に決定することができる。制御部１１は、ステップＳ４０１における処理が完了すると、ステップＳ４０２に進む。
　ステップＳ４０２において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０１でユーザーから入力を受け付けた特性評価データについて、変数の種類を設定する。ここでは、説明変数および目的変数のいずれか一つが設定される。説明変数とは、特性の予測値を求める基となる変数のことである。本実施形態においては、試作条件を構成する材料の組成や焼成条件等が説明変数に該当する。また、目的変数とは、予測の対象となる、試作する材料の特性値を表す変数のことである。ステップＳ４０２における具体的な処理の例としては、説明変数がデフォルトで設定されており、目的変数に変更したいユーザーから設定操作を受け付けるとしてもよい。制御部１１は、ステップＳ４０２における処理が完了すると、ステップＳ４０３に進む。
　ステップＳ４０３において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０２で設定された変数が目的変数か否かを判定する。目的変数でない場合（ステップＳ４０３：Ｎ）は、ステップＳ４０２で設定された変数が説明変数であると判定してステップＳ４０４に進み、目的変数であると判定した場合（ステップＳ４０３：Ｙ）は、ステップＳ４１１に進む。
　ステップＳ４０４において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０２で説明変数が設定された特性評価データについて、外れ値があるか否かを判定する。この外れ値の有無の判定処理は、例えば、特性評価データをヒストグラムに表し、平均値±２σの範囲外の値の有無を判定することにより行う。外れ値があると判定した場合（ステップＳ４０４：Ｙ）は、この外れ値が異常値であるか否かを判定するためにステップＳ４０５に進み、外れ値がないと判定した場合（ステップＳ４０４：Ｎ）は、そのままステップＳ４０７に進む。
　ステップＳ４０５において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０４で外れ値があると判定された、説明変数が設定されている特性評価データについて、この外れ値が異常値であるか否かを判定する。この異常値か否かの判定処理は、例えば、当該特性評価データの生成時における、データ入力ミスの有無や、評価試験機の故障の有無等を判定することにより行う。異常値であると判定した場合（ステップＳ４０５：Ｙ）は、当該異常値を欠損値とするためにステップＳ４０６に進み、異常値でないと判定した場合（ステップＳ４０５：Ｎ）は、そのままステップＳ４０７に進む。
　ステップＳ４０６において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０５で外れ値が異常値であると判定された特性評価データについて、この異常値を欠損値にする。制御部１１は、ステップＳ４０６における処理が完了すると、ステップＳ４０７に進む。
　ステップＳ４０７において、制御部１１は、特性評価データ前処理部１１１により、特性評価データについて、欠損値があるか否かを判定する。欠損値があると判定した場合（ステップＳ４０７：Ｙ）は、当該欠損値を補完するためにステップＳ４０８に進み、欠損値がないと判定した場合（ステップＳ４０７：Ｎ）は、そのままステップＳ４０９に進む。
　ステップＳ４０８において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０７で欠損値があると判定された特性評価データについて、当該欠損値を補完する。欠損値の補完処理は、例えば、外れ値を除いた特性評価データの平均値や中央値、最小値、最大値などを、欠損値を補完する値として用いることにより行う。また、線形補間（Linear Interpolation）により欠損値の補完を行ってもよい。さらに、説明変数が連続値でなくカテゴリ値である場合には、欠損値を任意の文字列で補完してもよい。なお、特性評価データ前処理部１１１は、例えば、ステップＳ４０８において欠損値を補完した場合に、補完した値を識別しやすくするために、赤字で表示してもよい。また、特性評価データ前処理部１１１は、例えば、ステップＳ４０８において、当該欠損値を補完せずに水準自体を削除してもよい。さらに、本実施形態の試作条件提案システム１では、特性評価データ前処理部１１１は、説明変数の欠損割合が多い場合、例えばデータ数の５割以上が欠損している場合には、当該説明変数自体を削除することもできる。制御部１１は、ステップＳ４０８における処理が完了すると、ステップＳ４０９に進む。
　ステップＳ４０９において、制御部１１は、特性評価データ前処理部１１１により、特性評価データをヒストグラムに表して、当該特性評価データの裾（ヒストグラムにおける当該特性評価データの全サンプルの特性値の分布範囲）のうち、いずれか一方の裾が基準値よりも長いか否かを判定する。ヒストグラムに表した特性評価データの裾のいずれか一方のみが基準値よりも長いと判定した場合（ステップＳ４０９：Ｙ）は、当該特性評価データのばらつきが大きいのでステップＳ４１０に進み、ヒストグラムに表した特性評価データの裾が基準値よりも短いと判定した場合（ステップＳ４０９：Ｎ）は、当該特性評価データのばらつきがその後の各処理を実行するうえで十分に小さいのでそのままステップＳ４２０に進む。また、ヒストグラムに表した特性評価データの裾の両方が基準値よりも長いと判定した場合（ステップＳ４０９：Ｎ）も、左右対称に近い分布形状であれば対数変換などの処理が必要ないのでそのままステップＳ４２０に進む。なお、特性評価データ前処理部１１１は、ステップＳ４１０において対数変換を行うか否かを判定するステップＳ４０９の処理を、例えば、歪度を指標として用いて実行してもよい。
　ステップＳ４１０において、制御部１１は、特性評価データ前処理部１１１により、ヒストグラムに表したときにその裾が基準値よりも長いとステップＳ４０９で判定された特性評価データについて、当該特性評価データの各サンプルの特性値を対数変換する。この対数変換処理は、例えば、図５に概要を示したＢｏｘ‐Ｃｏｘ変換処理等の方法によって行う。これにより、当該特性評価データの分布が正規分布に近づくため、機械学習における回帰精度を向上させることができる。なお、本実施形態の試作条件提案システム１において、特性評価データ前処理部１１１は、対数変換処理を施す説明変数を自動的に選択する。しかしながら、試作条件提案システムは、対数変換処理の対象となる説明変数を、ユーザーが手動で選択可能に構成されていてもよい。また、特性評価データ前処理部１１１は、例えば、ステップＳ４１０で特性評価データに対して対数変換処理を施した後、対数変換処理の前後の当該特性評価データをヒストグラムに表して、当該特性評価データのばらつきの度合を可視化してもよい。制御部１１は、ステップＳ４１０における処理が完了すると、ステップＳ４２０に進む。
　ステップＳ４１１において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４０２で目的変数が設定された特性評価データについて、外れ値があるか否かを判定する。この外れ値の有無の判定処理は、ステップＳ４０４と同様に、例えば、特性評価データをヒストグラムに表すことにより行う。外れ値があると判定した場合（ステップＳ４１１：Ｙ）は、この外れ値が異常値であるか否かを判定するためにステップＳ４１２に進み、外れ値がないと判定した場合（ステップＳ４１１：Ｎ）は、そのままステップＳ４１４に進む。
　ステップＳ４１２において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４１１で外れ値があると判定された、目的変数が設定されている特性評価データについて、この外れ値が異常値であるか否かを判定する。異常値の具体例としては、説明変数が完全に重複していて特性が異なる水準がある場合における、一方の説明変数が挙げられる。異常値であると判定した場合（ステップＳ４１２：Ｙ）は、当該異常値に係るサンプルを削除するためにステップＳ４１３に進む。然様な、説明変数の全てが重複していて特性の異なる水準を異常値として扱う場合入力ミスなどに起因する説明変数の１か所が異常値である場合と異なり、当該水準自体を削除する必要があるためである。他方、異常値でないと判定した場合（ステップＳ４１２：Ｎ）は、そのままステップＳ４１４に進む。
　ステップＳ４１３において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４１２で外れ値が異常値であると判定された特性評価データについて、この異常値に係るサンプルを削除する。なお、上述した、説明変数の全てが重複していて特性の異なる水準があるような場合に、重複に意味があるとして、どちらの説明変数も残したいことがある。然様な場合、本実施形態の試作条件提案システム１では、ステップＳ４１２～Ｓ４１３における処理を省略することができる。制御部１１は、ステップＳ４１３における処理が完了すると、ステップＳ４１４に進む。
　ステップＳ４１４において、制御部１１は、特性評価データ前処理部１１１により、特性評価データについて、欠損値があるか否かを判定する。当該特性評価データが予め欠損値を含む場合があるためである。欠損値があると判定した場合（ステップＳ４１４：Ｙ）は、当該欠損値に係るサンプルを削除するためにステップＳ４１５に進み、欠損値がないと判定した場合（ステップＳ４１４：Ｎ）は、そのままステップＳ４１６に進む。
　ステップＳ４１５において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４１４で欠損値があると判定された特性評価データについて、この欠損値に係るサンプルを削除する。制御部１１は、ステップＳ４１５における処理が完了すると、ステップＳ４１６に進む。
　ステップＳ４１６において、制御部１１は、特性評価データ前処理部１１１により、特性評価データをヒストグラムに表して、当該特性評価データの裾のうち、いずれか一方の裾が基準値よりも長いか否かを判定する。ヒストグラムに表した特性評価データの裾のいずれか一方のみが基準値よりも長いと判定した場合（ステップＳ４１６：Ｙ）は、当該特性評価データのばらつきが大きいのでステップＳ４１７に進み、ヒストグラムに表した特性評価データの裾が基準値よりも短いと判定した場合（ステップＳ４１６：Ｎ）は、当該特性評価データのばらつきがその後の各処理を実行するうえで十分に小さいのでそのままステップＳ４１８に進む。また、ヒストグラムに表した特性評価データの裾の両方が基準値よりも長いと判定した場合（ステップＳ４１６：Ｎ）も、左右対称に近い分布形状であれば対数変換などの処理が必要ないのでそのままステップＳ４１８に進む。なお、特性評価データ前処理部１１１は、ステップＳ４１７において対数変換を行うか否かを判定するステップＳ４１６の処理を、例えば、歪度を指標として用いて実行してもよい。
　ステップＳ４１７において、制御部１１は、特性評価データ前処理部１１１により、ステップＳ４１６でヒストグラムに表したときに片側の裾が基準値よりも長いと判定された特性評価データについて、上述したＢｏｘ‐Ｃｏｘ変換処理等の方法によって対数変換する。これにより、当該特性評価データの分布が正規分布に近づくため、機械学習における回帰精度を向上させることができる。制御部１１は、ステップＳ４１７における処理が完了すると、ステップＳ４１８に進む。
　ステップＳ４１８において、制御部１１は、特性評価データ前処理部１１１により、特性評価データに設定されている目的変数の数が二つ以上であるか否かを判定する。設定されている目的変数の数が二つ以上であると判定した場合（ステップＳ４１８：Ｙ）は、設定されている全ての目的変数を一つに合成するため、ステップＳ４１９に進む。他方、設定されている目的変数の数が二つ以上でないと判定した場合（ステップＳ４１８：Ｎ）は、すなわち設定されている目的変数の数が一つである。この場合は、目的変数の合成処理を行う必要がないため、そのままステップＳ４２０に進む。なお、本実施形態の試作条件提案システム１では、特性評価データ前処理部１１１は、二つ以上の目的変数が設定されたいわゆる多目的の特性評価データについても、ステップＳ４２０～Ｓ４２２の各処理を実行することができる。そのため、然様な多目的の特性評価データについて以降の各処理を実行する場合には、特性評価データ前処理部１１１は、ステップＳ４１８における判定処理を省略することができる。
　ステップＳ４１９において、制御部１１は、特性評価データ前処理部１１１により、当該特性評価データに設定されている全ての目的変数を一つに合成する。この目的変数の合成処理は、例えば、当該特性評価データに設定されている全ての目的変数を加重平均することにより行う。これにより、当該特性評価データに設定されている目的変数の数が一つになり、その後に行う試作条件の最適化処理をいわゆる単目的最適化として実行できるようになる。なお、例えば、最適化処理をベイズ最適化により行う場合には、複数の目的変数が設定されていても最適化処理を実行することができる。そこで、斯様な場合は、設定されている目的変数の数が二つ以上であるとステップＳ４１８で判定された特性評価データに対して、ステップＳ４１９において目的変数の合成処理を施さずに、目的変数の数が二つ以上のままその後の最適化処理を多目的最適化として行ってもよい。制御部１１は、ステップＳ４１９における処理が完了すると、ステップＳ４２０に進む。
　ステップＳ４２０において、制御部１１は、特性評価データ前処理部１１１により、必要に応じて特性評価データに対して標準化処理を施す。この標準化処理は、図６に概要を例示したように、特性評価データのスケールを、平均＝０、標準偏差（分散）＝１となるように変換するものである。制御部１１は、ステップＳ４２０における処理が完了すると、ステップＳ４２１に進む。なお、ステップＳ４２１で特性評価データに対して正規化処理を施す場合には、Ｓ４２０における標準化処理を省略して、そのままステップＳ４２１に進んでもよい。
　ステップＳ４２１において、制御部１１は、特性評価データ前処理部１１１により、必要に応じて特性評価データに対して正規化処理を施す。この正規化処理は、スケールの異なる説明変数間を比較しやすくする目的で行うものである。なお、ステップＳ４２０で特性評価データに対して標準化処理を施した場合は、Ｓ４２１において正規化処理を施さずに、その後の各処理を実行してもよい。制御部１１は、ステップＳ４２１における処理が完了すると、ステップＳ４２２に進む。
　ステップＳ４２２において、制御部１１は、特性評価データ前処理部１１１により、特性評価データについて上下限値を設定する。本実施形態の試作条件提案システム１では、特性評価データ前処理部１１１は、既存データから上下限値を自動的に抽出して設定する。また、試作条件提案システム１のユーザーは、特性評価データ前処理部１１１が自動的に設定した上下限値を、必要に応じて手動で修正することができる。制御部１１は、ステップＳ４２２における処理が完了すると、図４のステップＳ４０１～Ｓ４２２により前処理が施された特性評価データである前処理実施済データを記憶部１２に格納して、図４のフローチャートに示す特性評価データ前処理を終了する。
　図７は、特徴量選択処理の詳細を示すフローチャートである。
　ステップＳ７１０において、制御部１１は、特徴量選択処理部１１２により、記憶部１２から前処理実施済データを取得し、当該前処理実施済データに冗長な説明変数が含まれているか否かを判定する。この判定は、相関係数が所定の数以上、例えば０．８以上となる説明変数の組合せを抽出できるか否かを基準に行う。当該前処理実施済データに冗長な説明変数が含まれていると判定した場合、制御部１１は、冗長な説明変数の一方を削除してステップＳ７２０に進む。なお、本実施形態の試作条件提案システム１では、相関係数が０．８以上となる説明変数の組合せが出力部１３２を通じてユーザーに可視化され、ユーザーは、削除する説明変数を、入力部１３１を通じて選択することができる。他方、当該前処理実施済データに冗長な説明変数が含まれていないと判定した場合、制御部１１は、そのままステップＳ７２０に進む。
　なお、ステップＳ７２０として、制御部１１は、特徴量選択処理部１１２により、ステップＳ７１０の処理を経た前処理実施済データについて決定木分析（Decision Tree Analysis）を行い、出力部１３２を通じて分析結果をユーザーに可視化する処理を実行してもよい。これにより、ユーザーは、可視化された決定木に基づいて、ステップＳ７１０における判定処理や、冗長な説明変数の一方を削除する処理の結果の妥当性を検証することができる。制御部１１は、ステップＳ７２０における処理が完了すると、ステップＳ７３０に進む。
　ステップＳ７３０において、制御部１１は、特徴量選択処理部１１２により、前処理実施済データに含まれている複数の説明変数の各々について特性評価データに対する重要度を評価し、評価結果を基に、ステップＳ３３０で行われる回帰モデル作成処理において回帰モデルの説明変数とされる特徴量を自動的に選択する処理を行う。本実施形態の試作条件提案システム１は、説明変数の重要度の評価と特徴量の選択とを行うこの処理を、ＲＦＥ（Recursive Feature Elimination）と呼ばれる、ランダムフォレスト回帰木をアルゴリズムに用いる方法によって行う。この方法は、前処理実施済データに含まれている説明変数を重要度の低いものから順に一つずつ取り除いていき、残った説明変数から得られる特性値の予測精度が閾値以下に低下する直前に当該前処理実施済データに含まれていた説明変数を、重要変数として評価するものである。この方法は、複数の決定木を組み合わせて重要度を算出するランダムフォレスト回帰木をアルゴリズムに用いることにより、ロバストな特徴量を選択でき、過学習しにくいモデルを作成できる利点を有する。そのため、本実施形態の試作条件提案システム１は、特性評価データがサンプル数に対して説明変数が多いという特徴を備え、全説明変数で特性予測モデルを構築すると過学習する恐れがあるような場合にも、この方法により特徴量を自動選択することで、予測精度の高いモデルを構築することができる。また、本実施形態の試作条件提案システム１は、当該処理を行う際に、目的変数との相関を考慮することができる。制御部１１は、ステップＳ７３０における処理が完了すると、ステップＳ７４０に進む。
　ステップＳ７４０において、制御部１１は、特徴量選択処理部１１２により、ステップＳ７３０で説明変数の重要度の評価と特徴量の選択とを行った前処理実施済データについて、説明変数の数を減らしても汎化性能が向上しないか否かを判定する。説明変数の数を減らしても汎化性能は向上しないと判定した場合（ステップＳ７４０：Ｙ）は、説明変数の組合せを決定するためにステップＳ７６０に進み、説明変数の数を減らした場合に汎化性能が向上すると判定した場合（ステップＳ７４０：Ｎ）は、汎化性能が向上する数の説明変数に限定するためにステップＳ７５０に進む。
　ステップＳ７５０において、制御部１１は、特徴量選択処理部１１２により、説明変数の数を減らした場合に汎化性能が向上するとステップＳ７４０で判定された前処理実施済データについて、汎化性能が向上する数の説明変数に絞り込む処理を行う。本実施形態の試作条件提案システム１において、この処理は、当該前処理実施済データに含まれる説明変数のうち、汎化性能の向上に影響を及ぼす説明変数を特徴量選択処理部１１２が自動的に選択することによって行われる。制御部１１は、ステップＳ７５０における処理が完了すると、図７のフローチャートに示す特徴量選択処理を終了する。
　ステップＳ７６０において、制御部１１は、特徴量選択処理部１１２により、ステップＳ７４０で説明変数の数を減らしても汎化性能は向上しないと判定された前処理実施済データについて、説明変数の数を決定する処理を行う。本実施形態の試作条件提案システム１では、ユーザーが説明変数の数を決定することができる。特徴量選択処理部１１２は、入力部１３１または通信部１４を介してユーザーから入力を受け付けた説明変数の数に決定する。制御部１１は、ステップＳ７６０における処理が完了すると、図７のフローチャートに示す特徴量選択処理を終了する。
　図８は、回帰モデル作成処理の詳細を示すフローチャートである。
　ステップＳ８１０において、制御部１１は、回帰モデル作成処理部１１３により、特徴量選択処理が施された前処理実施済データについて、説明変数間の制約条件を設定する。本実施形態の試作条件提案システム１では、例えば、ユーザーが三種類の原料Ａ、Ｂ、Ｃについて、重量パーセント濃度（ｗｔ％）の合計が１００％（Ａ＋Ｂ＋Ｃ＝１００）となるような制約を与えたい場合に、斯様な条件を説明変数間の制約条件として指定することができる。回帰モデル作成処理部１１３は、入力部１３１または通信部１４を介してユーザーから指定を受け付けた説明変数間の制約条件を設定する。これにより、ちぐはぐで現実離れした試作条件が提案されることを防止できる。制御部１１は、ステップＳ８１０における処理が完了すると、ステップＳ８２０に進む。
　ステップＳ８２０において、制御部１１は、回帰モデル作成処理部１１３により、作成する回帰モデルの評価のための交差検証の実施条件を選択する。なお、本実施形態の試作条件提案システム１は、Ｋ‐分割交差検証（K-fold Cross Validation）によって回帰モデル毎の評価を行う。また、その実施条件として、Ｋ＝１０がデフォルト値に設定されている。この場合、試作条件提案システム１は、１０分割交差検証によって回帰モデルの評価を行う。なお、本実施形態の試作条件提案システム１では、ユーザーが交差検証の実施条件を選択することもできる。すなわち、回帰モデル作成処理部１１３は、入力部１３１または通信部１４を介してユーザーから交差検証の実施条件を受け付けることができる。制御部１１は、ステップＳ８２０における処理が完了すると、ステップＳ８３０に進む。
　ステップＳ８３０において、制御部１１は、回帰モデル作成処理部１１３により、試作条件の探索に予測モデルとして用いる回帰モデルの候補を選択する。このとき、回帰モデル作成処理部１１３は、入力部１３１または通信部１４を介してユーザーから選択処理を受け付けた回帰モデルを候補として選択する。本実施形態の試作条件提案システム１では、ユーザーは、ガウス過程回帰と、前述した線形回帰、回帰木（アンサンブル法による場合を含む）、ニューラルネットワークによる回帰、サポートベクター回帰、ロジスティック回帰およびＬＡＳＳＯ回帰等の各種の回帰モデルとから複数の回帰モデルを候補として選択することができる。制御部１１は、ステップＳ８３０における処理が完了すると、ステップＳ８４０に進む。
　ステップＳ８４０において、制御部１１は、回帰モデル作成処理部１１３により、ステップＳ８３０で候補として選択された各種回帰モデルのそれぞれについて、最適なハイパーパラメータ（Hyperparameter）を探索して設定する。本実施形態の試作条件提案システム１では、回帰モデル毎に、回帰モデル作成処理部１１３が全てのパラメータを自動的に探索し、回帰モデルの作成時にハイパーパラメータとして設定したときにその回帰モデルの汎化性能を最も良くするものを自動的に設定する。制御部１１は、ステップＳ８４０における処理が完了すると、ステップＳ８５０に進む。
　ステップＳ８５０において、制御部１１は、回帰モデル作成処理部１１３により、それぞれ最適なハイパーパラメータが設定された各種回帰モデルから、最も汎化性能が高い回帰モデルを選定する処理を行う。制御部１１は、ステップＳ８５０における処理が完了すると、ステップＳ８６０に進む。
　ステップＳ８６０において、制御部１１は、回帰モデル作成処理部１１３により、最終的な回帰モデルを決定する処理を行う。制御部１１は、ステップＳ８６０における処理が完了すると、図８のフローチャートに示す回帰モデル作成処理を終了する。
　図９は、試作条件提案処理の詳細を示すフローチャートである。
　ステップＳ９１０において、制御部１１は、試作条件提案処理部１１４により、図８のステップＳ８５０で作成した回帰モデルに基づいて試作条件の探索処理を行う。試作条件提案処理部１１４は、この処理を最適化処理により実行する。なお、本実施形態の試作条件提案システム１は、数理最適化（Mathematical Optimization; ＭＯ）、ベイズ最適化（Bayesian Optimization; ＢＯ）、遺伝的アルゴリズム（Genetic Algorithm; ＧＡ）、ニュートン法（Newton’s Method; ＮＭ）および単体法（Simplex Method; ＳＭ）といった各種の最適化処理の手法を使用可能に構成されている。その結果、目的変数である特性の予測値が最良となるときの各説明変数が、当該探索処理の結果を表す仮試作条件としてユーザーに提案される。また、このとき、試作条件提案処理部１１４は、当該仮試作条件について感度解析を行って、当該仮試作条件を構成している各説明変数の重要度を評価し、評価結果を合わせて提示する。なお、本実施形態の試作条件提案システム１では、使用した回帰モデルがガウス過程回帰の場合には、獲得関数が最大になる試作条件を選択することもできる。制御部１１は、ステップＳ９１０における処理が完了すると、ステップＳ９２０に進む。
　ステップＳ９２０において、制御部１１は、試作条件提案処理部１１４により、ステップＳ９１０でユーザーに提案した仮試作条件に対する修正を、ユーザーから受け付ける。試作条件提案処理部１１４は、仮試作条件を構成している各説明変数の値の修正に係る入力操作を入力部１３１または通信部１４を介してユーザーから受け付けると、修正内容に応じて仮試作条件を修正する。制御部１１は、ステップＳ９２０における処理が完了すると、ステップＳ９３０に進む。
　ステップＳ９３０において、制御部１１は、試作条件提案処理部１１４により、回帰モデルを使用して、修正後の仮試作条件で試作した場合の材料の特性の予測値を求め、計算結果をユーザーに提示する。また、このとき、試作条件提案処理部１１４は、ステップＳ９１０と同様に、修正後の仮試作条件についても感度解析を行って、当該修正後の仮試作条件を構成している説明変数の重要度を評価し、評価結果を合わせて提示する。なお、この評価結果は、ユーザーが仮試作条件を修正する度に更新されて、常に最新の評価結果がユーザーに提示される。制御部１１は、ステップＳ９３０における処理が完了すると、ステップＳ９４０に進む。
　ステップＳ９４０において、制御部１１は、試作条件提案処理部１１４により、修正後の仮試作条件について、ステップＳ９３０で求めた特性の予測値が、試作対象の材料の特性値として不十分か否かを判定する。この判定は、例えば、使用する回帰モデルがガウス過程回帰の場合には、試作条件毎の、当該試作条件で試作した場合に材料の特性が改善される期待値を表す獲得関数（Acquisition Function）を修正後の仮試作条件について求め、当該獲得関数の値と、獲得関数の最大値との差が所定の範囲内にあるか否かを判定することによって行う。なお、獲得関数は、任意の試作条件で試作した場合の材料の特性の予測値μと、当該予測値のばらつきを表す標準偏差σとを基に計算される。予測される特性値が不十分であると判定した場合（ステップＳ９４０：Ｙ）は、ステップＳ９２０に戻って再びユーザーから試作条件に対する修正指示を受け付け、予測される特性値が不十分でないと判定した場合（ステップＳ９４０：Ｎ）は、当該修正後の仮試作条件で試作する場合の材料の特性の予測値は十分であるため、ステップＳ９５０に進む。すなわち、ステップＳ９４０におけるこの処理は、仮試作条件に係る材料の特性の予測値が不十分でないと判定されるまで繰り返し行われる。
　ステップＳ９５０において、制御部１１は、試作条件提案処理部１１４により、試作条件提案処理部１１４は、ステップＳ９４０で予測される特性値が不十分でないと判定された仮試作条件を確定させ、試作条件が確定したものとしてユーザーに提案する。制御部１１は、ステップＳ９５０における処理が完了すると、図９のフローチャートに示す試作条件提案処理を終了する。
　なお、前述したように、本実施形態の試作条件提案システム１は、図９のステップＳ９５０で提案した試作条件に基づいてユーザーが材料の試作を行い、その成果物の特性の評価結果を表すデータが新たな特性評価データとして入力されると、当該新たに入力された特性評価データを基に、より最適化された試作条件をユーザーに提案する。この場合に、試作条件提案システム１の制御部１１は、新たに入力された特性評価データに欠損値が含まれているか否かを判定する。欠損値が含まれていると判定した場合（Ｙ）は、この欠損値を適宜に処理する必要がある。そのため、この欠損値が説明変数に係るものである場合には図４のステップＳ４０４から処理を開始させる形で、この欠損値が目的変数に係るものである場合には図４のステップＳ４１１から処理を開始させる形で、当該新たに入力された特性評価データに対して特性評価データ前処理を施す。他方、欠損値が含まれていないと判定した場合（Ｎ）は、当該新たに入力された特性評価データに対する特性評価データ前処理の実施は不要である。そのため、斯様な場合には、制御部１１は、回帰モデルの更新の要否を判定する。回帰モデルの更新が必要と判定された場合、制御部１１は、改めて回帰モデルを作成するため、図４のステップＳ４２０から処理を開始させる形で、当該新たに入力された特性評価データについて特徴量選択処理を実行する。他方、回帰モデルの更新が不要と判定された場合、制御部１１は、特徴量選択処理、回帰モデル作成処理および回帰モデル評価処理を省略し、前回作成した回帰モデルを使用して、図９のステップＳ９１０から処理を開始させる形で、当該新たに入力された特性評価データについて試作条件提案処理を行う。なお、新たに入力された特性評価データに欠損値が含まれている場合にも、回帰モデルの更新が不要な場合には、制御部１１は、同様に、特徴量選択処理、回帰モデル作成処理および回帰モデル評価処理を省略する。
　以上説明した本発明の実施形態によれば、以下のような作用効果を奏する。
（１）試作条件提案システム１は、材料開発者に材料の試作条件を提案するシステムであって、特性評価データ前処理部１１１と、特徴量選択処理部１１２と、回帰モデル作成処理部１１３と、試作条件提案処理部１１４とを備える。特性評価データ前処理部１１１は、材料の特性の評価結果を表す特性評価データに対して前処理を施す（ステップＳ３１０）。特徴量選択処理部１１２は、前処理が施された特性評価データについて特徴量選択処理を実行する（ステップＳ３２０）。回帰モデル作成処理部１１３は、特徴量選択処理の結果を基に、前処理が施された特性評価データについて回帰モデル作成処理を実行する（ステップＳ３３０）。試作条件提案処理部１１４は、前処理が施された特性評価データについて、回帰モデル作成処理部１１３が作成した回帰モデルに基づいて試作条件提案処理を実行する（ステップＳ３５０）。このようにしたので、生データの状態の特性評価データに対して必要な前処理が自動的に施されるため、特性評価データに対して繁雑な前処理を人手により行うことなく、その後の各処理を実行することができる。また、汎化性能が良好な回帰モデルを使用して、予測される特性値が良好な試作条件をユーザーである材料開発者に提案することができる。すなわち、本実施形態の試作条件提案システム１によれば、いわゆる生データの状態の特性評価データに基づいて、考慮すべき特徴量の種類の多さゆえにきわめて広範に渡る試作条件から良好な試作条件を導出して、材料開発者に提案することができる。
（２）特性評価データ前処理部１１１が実行する前記前処理は、欠損値の補完処理（ステップＳ４０８）、外れ値および異常値の処理（ステップＳ４０４～Ｓ４０６およびステップＳ４１１～Ｓ４１３）、標準化処理（ステップＳ４２０）ならびに正規化処理（ステップＳ４２１）の少なくともいずれか一つを含む。このようにしたので、生データの状態の特性評価データに対して必要な前処理が自動的に施されて前処理実施済データとなり、その後の各処理を正常に実行することができるようになる。
（３）特性評価データ前処理部１１１が実行する対数変換処理（ステップＳ４１０）は、Ｂｏｘ‐Ｃｏｘ変換処理（図５）である。このようにしたので、特性評価データの分布を正規分布に近づけることができるため、機械学習における回帰精度を向上させることができる。
（４）特徴量選択処理部１１２は、特性評価データ前処理部１１１が前処理を施した特性評価データに含まれる複数の説明変数の重要度を、任意の機械学習アルゴリズムを用いて評価し、評価結果を基に複数の説明変数から回帰モデルの説明変数を選択する処理（ステップＳ７３０）を実行する。このようにしたので、汎化性能を低下させることなく、説明変数の数を最小限に減らして制御部１１の処理負荷を低減することができる。また、このようにしたので、過学習を抑制することが可能となり、少数データに対しても回帰精度の高いモデルを作成することができる。さらに、このようにしたので、重要な説明変数をユーザーが見落とした場合であっても、当該説明変数を自動的に拾い上げることができる。
（５）上記の機械学習アルゴリズムは、複数の決定木を組み合わせて重要度を算出するランダムフォレストである。このようにしたので、ロバストな特徴量を選択でき、過学習しにくい回帰モデルを作成することができる。
（６）回帰モデル作成処理部１１３は、交差検証の結果に基づいて、汎化性能が最良の回帰モデルを選択する処理を実行する（ステップＳ８５０）。このようにしたので、特性評価データの内容に応じて適切な回帰モデルを選択することができる。
（７）回帰モデル作成処理部１１３は、作成する回帰モデルの各々に最適なハイパーパラメータを設定する（ステップＳ８４０）。このようにしたので、回帰モデル毎に、当該回帰モデルに最適なハイパーパラメータが自動的に設定される。
（８）試作条件提案処理部１１４は、材料開発者に提案した材料の試作条件に対する当該材料開発者の修正操作を受け付ける処理を実行する（ステップＳ９２０）。このようにしたので、試作条件提案システム１のユーザーである材料開発者は、試作条件の修正作業を、修正前の試作条件で試作した場合の材料の特性の予測値を確認しながら対話的に行うことにより、修正後の試作条件に自らの知見を盛り込むことができる。
（９）試作条件提案処理は、最適化処理を含む。このようにしたので、特性の予測値が最良となる試作条件をユーザーに提案することができる。
　なお、本発明は上記実施形態に限定されるものではなく、その要旨を逸脱しない範囲内で、任意の構成要素を用いて実施可能である。
　上記の実施形態や変形例はあくまで一例であり、発明の特徴が損なわれない限り、本発明はこれらの内容に限定されるものではない。また、上記では種々の実施形態や変形例を説明したが、本発明はこれらの内容に限定されるものではない。本発明の技術的思想の範囲内で考えられるその他の態様も本発明の範囲内に含まれる。
　　１：試作条件提案システム
　１１：制御部
　１２：記憶部
　１３：ユーザーインターフェース部
　１４：通信部
１１１：特性評価データ前処理部
１１２：特徴量選択処理部
１１３：回帰モデル作成処理部
１１４：試作条件提案処理部
１３１：入力部
１３２：出力部
４００：インターネット

Claims (10)

  1. 　材料開発者に材料の試作条件を提案する試作条件提案システムであって、
    　前記材料の特性の評価結果を表す特性評価データに対して前処理を施す特性評価データ前処理部と、
    　前記前処理が施された特性評価データについて特徴量選択処理を実行する特徴量選択処理部と、
    　前記特徴量選択処理の結果を基に、前記前処理が施された特性評価データについて回帰モデル作成処理を実行する回帰モデル作成処理部と、
    　前記前処理が施された特性評価データについて、前記回帰モデル作成処理部が作成した回帰モデルに基づいて試作条件提案処理を実行する試作条件提案処理部と
    を備える試作条件提案システム。
  2. 　請求項１に記載の試作条件提案システムにおいて、
    　前記特性評価データ前処理部が実行する前記前処理は、欠損値の補完処理、外れ値および異常値の処理、標準化処理ならびに正規化処理の少なくともいずれか一つを含む試作条件提案システム。
  3. 　請求項２に記載の試作条件提案システムにおいて、
    　前記特性評価データ前処理部が実行する対数変換処理は、Ｂｏｘ‐Ｃｏｘ変換処理である試作条件提案システム。
  4. 　請求項１に記載の試作条件提案システムにおいて、
    　前記特徴量選択処理部は、前記特性評価データ前処理部が前処理を施した特性評価データに含まれる複数の説明変数の重要度を、任意の機械学習アルゴリズムを用いて評価し、評価結果を基に前記複数の説明変数から前記回帰モデルの説明変数を選択する処理を実行する試作条件提案システム。
  5. 　請求項４に記載の試作条件提案システムにおいて、
    　前記機械学習アルゴリズムは、ランダムフォレストである試作条件提案システム。
  6. 　請求項１に記載の試作条件提案システムにおいて、
    　前記回帰モデル作成処理部は、交差検証の結果に基づいて、汎化性能が最良の回帰モデルを選択する処理を実行する試作条件提案システム。
  7. 　請求項１に記載の試作条件提案システムにおいて、
    　前記回帰モデル作成処理部は、作成する回帰モデルの各々に最適なハイパーパラメータを設定する試作条件提案システム。
  8. 　請求項１に記載の試作条件提案システムにおいて、
    　前記試作条件提案処理部は、前記材料開発者に提案した前記材料の前記試作条件に対する当該材料開発者の修正操作を受け付ける処理を実行する試作条件提案システム。
  9. 　請求項１に記載の試作条件提案システムにおいて、
    　前記試作条件提案処理は、最適化処理を含む試作条件提案システム。
  10. 　材料開発者に材料の試作条件を提案する試作条件提案方法であって、
    　前記材料の特性の評価結果を表す特性評価データに対する前処理と、
    　前記前処理が施された特性評価データについて行う特徴量選択処理と、
    　前記特徴量選択処理の結果を基に、前記前処理が施された特性評価データについて行う回帰モデル作成処理と、
    　前記前処理が施された特性評価データについて、前記回帰モデル作成処理で作成した回帰モデルに基づいて行う試作条件提案処理と
    をコンピュータに実行させる、試作条件提案方法。
PCT/JP2023/016025 2022-06-10 2023-04-21 試作条件提案システム、試作条件提案方法 Ceased WO2023238525A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202380012293.2A CN117597741A (zh) 2022-06-10 2023-04-21 试制条件提出系统、试制条件提出方法
DE112023000100.6T DE112023000100T5 (de) 2022-06-10 2023-04-21 System zum vorschlagen von probeherstellungsbedingungen und verfahren zum vorschlagen von probeherstellungsbedingungen
JP2023565339A JP7895364B2 (ja) 2022-06-10 2023-04-21 試作条件提案システム、試作条件提案方法
US18/539,491 US20240111931A1 (en) 2022-06-10 2023-12-14 Trial manufacturing condition proposing system and trial manufacturing condition proposing method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-094726 2022-06-10
JP2022094726 2022-06-10

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/539,491 Continuation US20240111931A1 (en) 2022-06-10 2023-12-14 Trial manufacturing condition proposing system and trial manufacturing condition proposing method

Publications (1)

Publication Number Publication Date
WO2023238525A1 true WO2023238525A1 (ja) 2023-12-14

Family

ID=89118038

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/016025 Ceased WO2023238525A1 (ja) 2022-06-10 2023-04-21 試作条件提案システム、試作条件提案方法

Country Status (5)

Country Link
US (1) US20240111931A1 (ja)
JP (1) JP7895364B2 (ja)
CN (1) CN117597741A (ja)
DE (1) DE112023000100T5 (ja)
WO (1) WO2023238525A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12587274B2 (en) 2023-03-28 2026-03-24 Quantum Generative Materials Llc Satellite optimization management system based on natural language input and artificial intelligence
US12603701B2 (en) 2023-12-27 2026-04-14 Quantum Generative Materials Llc Distributed satellite constellation management and control system
US12627372B2 (en) 2023-12-27 2026-05-12 Quantum Generative Materials Llc Advanced mission control predictive systems for low earth orbit semi-autonomous satellites
US12368503B2 (en) 2023-12-27 2025-07-22 Quantum Generative Materials Llc Intent-based satellite transmit management based on preexisting historical location and machine learning

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018168580A1 (ja) * 2017-03-13 2018-09-20 日本電気株式会社 関係性探索システム、情報処理装置、方法およびプログラム
WO2021015134A1 (ja) * 2019-07-23 2021-01-28 昭和電工株式会社 材料設計システム、材料設計方法、及び材料設計プログラム
JP2022081474A (ja) * 2019-01-17 2022-05-31 Ｊｆｅスチール株式会社 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7246956B2 (ja) * 2019-02-13 2023-03-28 株式会社キーエンス データ分析装置及びデータ分析方法
WO2021044913A1 (ja) 2019-09-05 2021-03-11 国立大学法人東京工業大学 作製評価システム、作製評価方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018168580A1 (ja) * 2017-03-13 2018-09-20 日本電気株式会社 関係性探索システム、情報処理装置、方法およびプログラム
JP2022081474A (ja) * 2019-01-17 2022-05-31 Ｊｆｅスチール株式会社 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
WO2021015134A1 (ja) * 2019-07-23 2021-01-28 昭和電工株式会社 材料設計システム、材料設計方法、及び材料設計プログラム

Also Published As

Publication number Publication date
DE112023000100T5 (de) 2024-05-02
US20240111931A1 (en) 2024-04-04
JP7895364B2 (ja) 2026-07-27
JPWO2023238525A1 (ja) 2023-12-14
CN117597741A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
US20240111931A1 (en) Trial manufacturing condition proposing system and trial manufacturing condition proposing method
Asi et al. Predicting Marshall stability and flow parameters in asphalt pavements using explainable machine-learning models
JP6130977B1 (ja) 情報処理装置、情報処理方法、情報処理システム及びプログラム
KR20210157303A (ko) 이종 언어로 구현된 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치
US8935136B2 (en) Multi-component model engineering
CN111160459A (zh) 超参数的优化装置和方法
CN120432158A (zh) 一种晚期胃癌的预后预测方法及系统
CN121391894B (zh) 一种基于双重校正的半监督医学图像分割方法
US12518519B2 (en) Predictor creation device and predictor creation method
CN119673335A (zh) 一种基于响应面法的复合材料淀粉含量反演模型构建方法
CN118696321A (zh) 已学习模型验证系统
de Paula et al. A gpu-based implementation of the firefly algorithm for variable selection in multivariate calibration problems
CN121999949A (zh) 一种基于多模型的临床结局机器学习预测方法、装置及存储介质
CN116483817A (zh) 一种数据填补模型选择、健康评测方法及装置
US12236585B2 (en) Method for measuring lesion of medical image
CN120629905A (zh) 一种基于人工智能的芯片数据检测方法及系统
CN120257794A (zh) 一种基于灰狼算法优化卷积神经网络预测钛合金寿命的方法
JP7732579B2 (ja) モデル処理装置、モデル処理方法、及び、プログラム
Butt et al. Towards reliable explainable ai: A novel stability metric for trustworthy
Aziz et al. An Interpretable Machine Learning Approach for Predicting the End-Bearing Capacity of Rock-Socketed Piles
US20250181672A1 (en) Trial production condition proposal system and trial production condition proposal method
US20250181987A1 (en) Trial production condition proposal system and trial production condition proposal method
KR20240154077A (ko) 재료 특성값 예측 방법, 학습 완료 모델 생성 방법, 프로그램 및 장치
Mody et al. Enhancing Real Estate Market Insights through Machine Learning: Predicting Property Prices with Advanced Data Analytics
CN120495300B (zh) 齿科疾病的多模态诊断方法及电子设备

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2023565339

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 112023000100

Country of ref document: DE

WWE Wipo information: entry into national phase

Ref document number: 202380012293.2

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23819512

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 23819512

Country of ref document: EP

Kind code of ref document: A1